Are Large Language Models Effective Knowledge Graph Constructors?

该文章提出了一种基于大型语言模型（LLMs）的分层知识图谱构建框架，通过多阶段信息提取解决现有方法的局限性，并发布了相关数据集，同时从结构和语义维度全面评估了LLMs在知识图谱构建中的表现。一、文章主要内容总结研究背景与问题知识图谱（KGs）对知识密集型任务至关重要，还能减少LLMs的幻觉，但高质量知识图谱构建难度大，需准确信息提取和结构化表示。现有基于LLM的方法存在局限：仅聚焦实体和关系提取、覆盖范围限于句子级语境、依赖预定义模式，且评估方法多基于 token 级比较，缺乏语义级评估。核心方法：分层知识图谱构建框架该框架整合四大关键组件，采用自下而上的提示驱动方式，无需预定义模式，分三个阶段实现信息提取：初始提取：将每个句子转换为捕获其含义的三元组，并记录信息来源，保留句子完整语义。拆分（Splitting）：将复合节点（如“A and B”）拆分为独立节点（“A”“B”），减少信息孤立。抽象（Abstraction）：从具体节点中识别通用父概念（如从“A specific B”提取“B”），构建本体并增强跨源信息整合。框架还包含两个关键提示策略：共指消解提示（Coreference-Aware Prompting），解决